Abstract
心臓MRIの晩期ガドリニウム造影（LGE）では、左房（LA）の瘢痕を非侵襲的に同定でき、その空間分布は心房細動（AF）の重症度および再発と強く関連している。しかし、自動のLA瘢痕セグメンテーションは、コントラストが低いこと、注釈のばらつき、そして解剖学的制約の欠如により、依然として困難であり、多くの場合信頼性のない予測につながる。そこで本研究の目的は、臨床のワークフローに触発された手法として、LGE画像からLA瘢痕をセグメントするための段階的学習戦略を提案することである。SwinUNETRに基づく3段階の枠組みを実装した。構成は、(1) 最初のLA腔の事前学習モデル、(2) LAの幾何学と瘢痕パターンの空間的な関係をさらに学習するデュアルタスクモデル、(3) 瘢痕の正確なセグメンテーションに対する微調整、である。さらに、瘢痕予測を解剖学的に妥当なLA壁領域に制約することで、注釈バイアスを軽減しつつ、事前の臨床知識を組み込む解剖学に配慮した空間的に重み付けされた損失（anatomy-aware spatially weighted loss）を導入した。予備的な結果として、5-fold交差検証後にLASCARQS公開データセットの検証用LGEボリュームで評価したところ、LAセグメンテーションのDiceスコアは0.94、LA瘢痕セグメンテーションではDiceスコア0.50、Hausdorff距離11.84 mm、平均表面距離1.80 mmを達成し、これらは1段階の瘢痕セグメンテーションのみの場合（それぞれ0.49、13.02 mm、1.96 mm）を上回った。臨床的な解剖学的事前知識と診断上の推論を深層学習に明示的に組み込むことで、本アプローチはLGEからのLA瘢痕セグメンテーションの精度と信頼性を向上させ、臨床に基づくモデル設計の重要性を示した。
